基于云計(jì)算的人工智能運(yùn)行平臺(tái)和邊緣終端交互機(jī)制研究與應(yīng)用

蘇江文,黃曉光,張 垚,陳江海

(1.福建億榕信息技術(shù)有限公司,福建 福州 350003)

(2.國(guó)網(wǎng)信息通信產(chǎn)業(yè)集團(tuán)有限公司,北京 100052)

隨著配電物聯(lián)網(wǎng)建設(shè)的推進(jìn),越來(lái)越多的配電設(shè)備、電氣傳感器等接入到配電網(wǎng)中,產(chǎn)生了海量的異構(gòu)數(shù)據(jù)[1]。配電網(wǎng)數(shù)據(jù)的采集、傳輸以及數(shù)據(jù)分析給信道通信和主站存儲(chǔ)帶來(lái)巨大壓力,傳統(tǒng)數(shù)據(jù)傳輸和處理能力難以滿足龐大的數(shù)據(jù)處理要求,導(dǎo)致電網(wǎng)系統(tǒng)工作效率低下,甚至影響到供電的安全可靠性[2]。邊緣計(jì)算將存儲(chǔ)計(jì)算能力下沉至數(shù)據(jù)源頭、網(wǎng)絡(luò)邊緣來(lái)降低網(wǎng)絡(luò)阻塞導(dǎo)致的高時(shí)延,實(shí)現(xiàn)對(duì)終端請(qǐng)求的快速響應(yīng)和數(shù)據(jù)實(shí)時(shí)處理,減少云計(jì)算中心的壓力[3]。目前邊緣計(jì)算在能效管理、智能制造、預(yù)測(cè)維護(hù)等方面得到深入的應(yīng)用[4-6]。如基于邊緣計(jì)算的分布式能源管理系統(tǒng)的異構(gòu)數(shù)據(jù)互聯(lián),有效提高了業(yè)務(wù)響應(yīng)實(shí)時(shí)性,并可以與云端協(xié)同優(yōu)化云端模型[7];基于局域邊緣計(jì)算建立分層自治協(xié)同的配電網(wǎng)信息物理系統(tǒng)模型,有效提高了互聯(lián)網(wǎng)數(shù)據(jù)傳輸、分析的效率和安全性[8];通過(guò)邊緣計(jì)算對(duì)配電系統(tǒng)運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè),對(duì)智能配電系統(tǒng)中信息傳感器、智能電容、換向開(kāi)關(guān)等智能設(shè)備數(shù)據(jù)進(jìn)行采集和監(jiān)控,實(shí)現(xiàn)配電網(wǎng)負(fù)荷的智能化調(diào)配[9]。

本文基于云主站和邊緣計(jì)算技術(shù)建立了一種電力數(shù)據(jù)存儲(chǔ)和算例優(yōu)化模型。根據(jù)邊緣計(jì)算結(jié)構(gòu)進(jìn)行標(biāo)準(zhǔn)框架劃分,同時(shí)對(duì)邊緣任務(wù)卸載和資源分配算法進(jìn)行優(yōu)化來(lái)提升數(shù)據(jù)處理效率,通過(guò)引入“云端協(xié)同”機(jī)制實(shí)現(xiàn)計(jì)算節(jié)點(diǎn)和云端數(shù)據(jù)內(nèi)、外部交互協(xié)同處理,最后將模型應(yīng)用于實(shí)際場(chǎng)景,驗(yàn)證了模型的有效性。

1 配電網(wǎng)邊緣計(jì)算架構(gòu)

圖1所示為面向配電網(wǎng)的邊緣計(jì)算模型架構(gòu)。根據(jù)節(jié)點(diǎn)設(shè)計(jì),邊緣計(jì)算模型包括服務(wù)設(shè)施層(EC-laaS)、軟件層(EC-PaaS)和平臺(tái)服務(wù)層(EC-SaaS)構(gòu)成的邊側(cè),端側(cè)設(shè)備構(gòu)成的端側(cè)和云主站構(gòu)成的云側(cè)。

圖1 邊緣計(jì)算模型架構(gòu)

位于邊側(cè)的管理端負(fù)責(zé)邊緣計(jì)算節(jié)點(diǎn)軟件升級(jí)、口令配置、日志審計(jì)、用戶設(shè)置等,并支持系統(tǒng)狀態(tài)監(jiān)測(cè)、查詢。邊側(cè)安全端負(fù)責(zé)審查數(shù)據(jù)訪問(wèn)權(quán)限、軟件升級(jí)時(shí)數(shù)據(jù)來(lái)源的合法性和完整性驗(yàn)證。

端側(cè)設(shè)備主要包括布置在邊緣終端的數(shù)據(jù)采集設(shè)備、信號(hào)采集設(shè)備。

EC-IaaS服務(wù)設(shè)施層,為邊緣智能配電業(yè)務(wù)提供統(tǒng)一的數(shù)據(jù)傳輸、存儲(chǔ)、計(jì)算服務(wù)。作為邊緣計(jì)算基礎(chǔ)開(kāi)放平臺(tái),EC-IaaS層包括硬件平臺(tái)、操作系統(tǒng)、AI 引擎及各類(lèi)軟件等。

EC-PaaS層為軟件層,為各類(lèi)軟件提供數(shù)據(jù)交互和管理功能,提供各類(lèi)應(yīng)用服務(wù)、數(shù)據(jù)存儲(chǔ)、消息和時(shí)間等元件的運(yùn)行環(huán)境。同時(shí)為滿足配電網(wǎng)設(shè)備“即插即用”技術(shù)需求,為其他設(shè)備提供基層服務(wù)。

EC-SaaS平臺(tái)服務(wù)層,是配電網(wǎng)邊緣計(jì)算功能應(yīng)用的具體方式。EC-SaaS層根據(jù)電力業(yè)務(wù)需求,通過(guò)數(shù)據(jù)采集和數(shù)據(jù)云端協(xié)同滿足運(yùn)維和用電需求,其中,數(shù)據(jù)交互中心作為邊緣計(jì)算重要組成部分,為配電業(yè)務(wù)相關(guān)數(shù)據(jù)采集、處理、位輸、計(jì)算提供實(shí)時(shí)數(shù)據(jù)代理服務(wù)。

云主站為布置在中心節(jié)點(diǎn)的云服務(wù)器,主要進(jìn)行數(shù)據(jù)的存儲(chǔ)、分析,各項(xiàng)指令下發(fā)。

2 邊云協(xié)同機(jī)制

在邊緣計(jì)算模型中,由于終端設(shè)備產(chǎn)生的數(shù)據(jù)信息密度低,僅依靠云計(jì)算中心處理會(huì)造成云計(jì)算中心高負(fù)荷、高延時(shí)問(wèn)題,難以滿足數(shù)據(jù)分析、處理、響應(yīng)的實(shí)時(shí)性要求,而邊緣計(jì)算端由于布置的數(shù)據(jù)處理節(jié)點(diǎn)有限,難以滿足大量數(shù)據(jù)處理和存儲(chǔ)要求[10-11],因此引入“云端協(xié)同”機(jī)制,通過(guò)云側(cè)微服務(wù)與邊側(cè)微應(yīng)用的數(shù)據(jù)交互、協(xié)同計(jì)算來(lái)更好地滿足配網(wǎng)業(yè)務(wù)需求。

2.1 “云端協(xié)同”架構(gòu)

“云端協(xié)同”機(jī)制用來(lái)滿足邊緣計(jì)算與云主站間的數(shù)據(jù)協(xié)同,圖2所示為邊云協(xié)作基礎(chǔ)架構(gòu)。邊云協(xié)作以EC-IaaS和IaaS為支撐,通過(guò)層級(jí)接口實(shí)現(xiàn)EC-PaaS與 PaaS、EC-SaaS與 SaaS 的通信交互。在“云端協(xié)同”機(jī)制中,實(shí)現(xiàn)邊緣計(jì)算節(jié)點(diǎn)與云主站的協(xié)同主要分為三個(gè)層級(jí)。

圖2 邊云協(xié)作基礎(chǔ)架構(gòu)

層級(jí)一:邊緣計(jì)算 EC-IaaS 層與云主站 IaaS 層協(xié)同。邊緣計(jì)算節(jié)點(diǎn)結(jié)合云主站模型推理數(shù)據(jù)進(jìn)行分布式存儲(chǔ)和分析,并執(zhí)行資源調(diào)度管理策略,減少主站側(cè)負(fù)載量,提高數(shù)據(jù)邊緣側(cè)利用率。

層級(jí)二:邊緣計(jì)算 EC-PaaS 層與云主站 PaaS 層協(xié)同。邊緣計(jì)算節(jié)點(diǎn)執(zhí)行數(shù)據(jù)采集、計(jì)算功能,并通過(guò)數(shù)據(jù)調(diào)用接口與云主站PaaS結(jié)構(gòu)鏈接,減少數(shù)據(jù)傳輸次數(shù),快速進(jìn)行數(shù)據(jù)管控計(jì)算。

層級(jí)三:邊緣計(jì)算 EC-SaaS 層與云主站 SaaS 層協(xié)同。應(yīng)用服務(wù)協(xié)同包括邊緣計(jì)算節(jié)點(diǎn)根據(jù)協(xié)同機(jī)制實(shí)現(xiàn)邊緣計(jì)算負(fù)載云主站側(cè) SaaS 服務(wù)的能力,其中包括被動(dòng)接受云主站下發(fā)的應(yīng)用服務(wù)策略和主動(dòng)執(zhí)行應(yīng)用服務(wù)分布策略兩種方式。

2.2 對(duì)外交互機(jī)制

邊緣計(jì)算節(jié)點(diǎn)與云服務(wù)器端的對(duì)外數(shù)據(jù)交互如圖3所示。數(shù)據(jù)采集元件布置在邊緣節(jié)點(diǎn)微應(yīng)用上,采集元件設(shè)備銘牌參數(shù)、型號(hào)等臺(tái)賬數(shù)據(jù),三相電流、電壓等實(shí)時(shí)運(yùn)行數(shù)據(jù)以及溫度、濕度等環(huán)境數(shù)據(jù)?？刂浦噶預(yù)PP發(fā)送控制命令,由高級(jí)APP通過(guò)總線訪問(wèn)云服務(wù)中心,提取數(shù)據(jù)進(jìn)行處理、分析,實(shí)現(xiàn)邊緣計(jì)算。

圖3 對(duì)外數(shù)據(jù)交互流程

根據(jù)各節(jié)點(diǎn)邏輯關(guān)系,邊緣計(jì)算節(jié)點(diǎn)與云服務(wù)器端存在交互機(jī)制,包括:

1)云-變交互。云主站根據(jù)自身需求召喚邊緣計(jì)算節(jié)點(diǎn)側(cè)數(shù)據(jù)或下發(fā)管控指令,調(diào)用邊緣計(jì)算節(jié)點(diǎn)實(shí)現(xiàn)對(duì)多設(shè)備集群管理和資源調(diào)度。邊緣計(jì)算節(jié)點(diǎn)根據(jù)業(yè)務(wù)需求,向云主站請(qǐng)求數(shù)據(jù)下發(fā)。

2)邊-邊交互。兩個(gè)或多個(gè)邊緣計(jì)算節(jié)點(diǎn)間通過(guò)數(shù)據(jù)代理模塊和云主站實(shí)現(xiàn)數(shù)據(jù)交互,單個(gè)邊緣計(jì)算節(jié)點(diǎn)執(zhí)行特定區(qū)域用戶指令。當(dāng)邊緣計(jì)算節(jié)點(diǎn)1執(zhí)行節(jié)點(diǎn)2數(shù)據(jù)時(shí),需向主站發(fā)送請(qǐng)求,主站根據(jù)DNS解析結(jié)果來(lái)確定是否部署邊緣計(jì)算節(jié)點(diǎn),將解析信息發(fā)送至節(jié)點(diǎn)2實(shí)施響應(yīng)。

3)邊-端交互。邊緣數(shù)據(jù)采集APP和端側(cè)設(shè)備進(jìn)行數(shù)據(jù)采集,邊緣計(jì)算節(jié)點(diǎn)接收到云主站或控制指令A(yù)PP的指令,將指令轉(zhuǎn)發(fā)到端側(cè)設(shè)備來(lái)實(shí)現(xiàn)數(shù)據(jù)交互。

4)云-云交互。云主站利用Rest API(網(wǎng)絡(luò)服務(wù))和消息隊(duì)列接口,在數(shù)據(jù)共享機(jī)制下完成與其他云主站間的數(shù)據(jù)交互,實(shí)現(xiàn)跨系統(tǒng)數(shù)據(jù)共享。

2.3 改進(jìn)邊緣計(jì)算模型

邊緣計(jì)算通過(guò)合理分配任務(wù)與資源實(shí)現(xiàn)終端數(shù)據(jù)本地化處理,有效減少通信時(shí)耗和云中心負(fù)載。為進(jìn)一步提升邊緣計(jì)算模型的數(shù)據(jù)處理能力,采用雙層優(yōu)化的邊緣層計(jì)算任務(wù)分配方式進(jìn)一步對(duì)模型進(jìn)行優(yōu)化。

在給定的邊緣層計(jì)算任務(wù)分配模型中,設(shè)電網(wǎng)終端設(shè)備集合為N,N={1,2,…,k},電網(wǎng)任務(wù)量為I,I={1,2,…,i},定義設(shè)備k的任務(wù)i為Ui,Ui={Ci,Di,Bi,Ti,max},其中Ci為任務(wù)計(jì)算量,Di、Bi分別為任務(wù)輸入、輸出數(shù)據(jù)量,Ti,max為允許任務(wù)最大時(shí)延。

所有任務(wù)均可選擇在本地執(zhí)行,也可由云中心執(zhí)行,而一個(gè)邊緣服務(wù)器可接收多個(gè)任務(wù),終端設(shè)備k執(zhí)行某一任務(wù)i時(shí)的任務(wù)計(jì)算時(shí)間Tc,ik(rik)為:

(1)

式中:rik為任務(wù)i分配給設(shè)備k的計(jì)算資源。確定數(shù)據(jù)傳輸速率Rik為:

(2)

式中:W為帶寬;ω為背景噪聲;Pi為任務(wù)i傳輸功率;Hk為設(shè)備k的信道增益;oik=1,表示任務(wù)i分配給設(shè)備k執(zhí)行。

同樣確定數(shù)據(jù)傳輸能耗Et,ik為:

Et,ik=Ebt,ik+Ezt,ik

(3)

(4)

(5)

式中:Ebt,ik為設(shè)備k將任務(wù)i分配到邊緣服務(wù)器的能耗,Ezt,ik為設(shè)備k將任務(wù)i分配到云服務(wù)器端的能耗,Pb,ik,Pz,ik分別為邊緣服務(wù)器和云服務(wù)器接收到設(shè)備k中任務(wù)i的接收功率,Dk為設(shè)備k的功率系數(shù)。

由于模型中計(jì)算域資源分配主要依賴卸載決策,而卸載決策受到資源分配好壞的影響,因此需要同時(shí)考慮資源分配與模型計(jì)算間的依賴關(guān)系[12]。為協(xié)調(diào)資源分配與計(jì)算任務(wù)間的沖突,利用模擬退火算法中的Metropolis準(zhǔn)則[13]對(duì)計(jì)算任務(wù)資源分配優(yōu)化。設(shè)個(gè)體取值判斷概率pMetropolis為:

(6)

T=TinitβG

(7)

式中:T為溫度;Tinit為初始種群溫度;βG為G次迭代數(shù)衰減系數(shù),且0<βG<1;a為常量。確認(rèn)設(shè)備k接收任務(wù)的執(zhí)行規(guī)則J為:

(8)

式中:p為隨機(jī)概率值,Ec,k、Et,k分別為設(shè)備k接收邊緣服務(wù)器或者云服務(wù)器任務(wù)的能耗水平,s為隨機(jī)值,QT表示其他情況。

3 實(shí)例分析

3.1 性能測(cè)試

為分析本文算法對(duì)終端設(shè)備能耗水平和運(yùn)算速度的影響,采用MATLAB R2018b建立模型進(jìn)行算法的性能比較,設(shè)定相關(guān)任務(wù)參數(shù),見(jiàn)表1。同時(shí)選擇粒子群算法、自適應(yīng)鄰域搜索算法作為對(duì)比算法。模型硬件為一臺(tái)配備了2.2 GHz處理器、8 GB RAM、i7-8750CPU的個(gè)人計(jì)算機(jī)。

表1 相關(guān)任務(wù)參數(shù)

獲得不同算法下終端設(shè)備的能耗值和運(yùn)行時(shí)間,見(jiàn)表2。由表可知,本文算法對(duì)終端設(shè)備在能耗優(yōu)化方面明顯優(yōu)于采用粒子群算法和自適應(yīng)鄰域搜索算法的終端設(shè)備,且隨著終端設(shè)備數(shù)量增加,本文算法與其他兩種算法終端設(shè)備的能耗差逐步增大,表明當(dāng)電網(wǎng)邊緣側(cè)終端設(shè)備增加時(shí),本文算法的終端設(shè)備能耗優(yōu)化效果更顯著。比較三種算法各終端設(shè)備的運(yùn)行速度,采用本文算法與粒子群優(yōu)化算法的終端設(shè)備的運(yùn)行速度較為接近,二者均優(yōu)于采用自適應(yīng)鄰域搜索算法的終端設(shè)備。可見(jiàn)本文算法在保證終端設(shè)備運(yùn)行速度的同時(shí)具有更好的能耗優(yōu)化效果,因此在邊緣計(jì)算協(xié)作求解過(guò)程中,可選擇本文算法來(lái)實(shí)現(xiàn)終端設(shè)備的能耗優(yōu)化。

表2 不同算法性能測(cè)試

3.2 系統(tǒng)應(yīng)用實(shí)例

目前,基于云端的配電網(wǎng)邊緣計(jì)算技術(shù)已在一些地區(qū)進(jìn)行試用。以某“電動(dòng)車(chē)輛充電”為例,通過(guò)將邊緣計(jì)算節(jié)點(diǎn)部署到充電 APP,實(shí)現(xiàn)負(fù)載率調(diào)節(jié)及 “削峰填谷”功能。圖4為電動(dòng)車(chē)有序充電流程圖。終端APP應(yīng)用的硬件配置為:雙核1.2 GHz CPU,1 GB DDR,支持RS-485、RS-232、WiFi、5G 數(shù)據(jù)傳輸和通信。充電樁主要實(shí)現(xiàn)負(fù)荷調(diào)控和充電功率監(jiān)測(cè),邊緣計(jì)算節(jié)點(diǎn)APP進(jìn)行負(fù)荷檢測(cè)。

圖4 充電樁充電程序

根據(jù)城區(qū)居民生活習(xí)慣,18:30起進(jìn)入高負(fù)荷運(yùn)行狀態(tài),其中18:30—23:30時(shí)間段地區(qū)晚高峰生活負(fù)荷和電動(dòng)汽車(chē)充電負(fù)荷重疊,若不經(jīng)過(guò)科學(xué)引導(dǎo),容易出現(xiàn)超載現(xiàn)象。根據(jù)邊緣計(jì)算節(jié)點(diǎn)智能引導(dǎo),將電動(dòng)車(chē)充電負(fù)荷轉(zhuǎn)移至0:00—6:00低負(fù)荷時(shí)間段內(nèi),利用配變輕載充電,提高經(jīng)濟(jì)效率。有序充電過(guò)程如下:

1)布置在終端的充電功率監(jiān)測(cè)系統(tǒng)將采集的負(fù)荷數(shù)據(jù)報(bào)送邊緣計(jì)算節(jié)點(diǎn),由邊緣計(jì)算節(jié)點(diǎn)側(cè)的負(fù)荷監(jiān)測(cè)APP 收集數(shù)據(jù),并根據(jù)地區(qū)總表進(jìn)行日負(fù)荷預(yù)測(cè),確定負(fù)荷波動(dòng)情況,若突然有大量充電汽車(chē)接入使得負(fù)荷短時(shí)超過(guò)最大負(fù)荷,邊緣計(jì)算節(jié)點(diǎn)根據(jù)既定控制策略自動(dòng)調(diào)節(jié)充電樁功率。若電動(dòng)車(chē)為分時(shí)接入,則不需進(jìn)行用電負(fù)荷轉(zhuǎn)移操作,電動(dòng)車(chē)正常接入,邊緣計(jì)算節(jié)點(diǎn)將實(shí)時(shí)數(shù)據(jù)與負(fù)荷預(yù)測(cè)數(shù)據(jù)實(shí)時(shí)擬合并報(bào)送云主站。

2)云主站根據(jù)歷史用電數(shù)據(jù)、分時(shí)電價(jià)、用戶申請(qǐng)充電模式,結(jié)合人工智能進(jìn)行模型訓(xùn)練,基于超負(fù)荷情況下的“削峰填谷”最優(yōu)充電策略,將部分電動(dòng)汽車(chē)充電負(fù)荷調(diào)節(jié)到低負(fù)荷時(shí)間段充電,并將控制策略轉(zhuǎn)化為負(fù)荷調(diào)節(jié)指令下發(fā)至邊緣計(jì)算節(jié)點(diǎn)。

3)邊緣計(jì)算節(jié)點(diǎn)接收負(fù)荷調(diào)節(jié)指令,由充電APP向充電樁下發(fā)充電時(shí)間和充電功率命令,充電樁進(jìn)行負(fù)荷調(diào)節(jié)。

4 結(jié)束語(yǔ)

本文構(gòu)建了一種面向電網(wǎng)輸、變、配、用領(lǐng)域的云主站邊緣終端交互系統(tǒng)模型。根據(jù)邊緣計(jì)算技術(shù)定義了云主站、邊緣計(jì)算節(jié)點(diǎn)和終端設(shè)備間的邊云系統(tǒng)關(guān)系,通過(guò)在端部部署邊緣計(jì)算節(jié)點(diǎn)設(shè)備,利用邊緣計(jì)算任務(wù)分配優(yōu)化模型與算法對(duì)邊緣任務(wù)卸載和資源分配進(jìn)行優(yōu)化,提升邊緣算力,實(shí)現(xiàn)輕量級(jí)數(shù)據(jù)的高效處理,引入“云端協(xié)同”機(jī)制滿足邊緣計(jì)算與云主站間數(shù)據(jù)協(xié)同,實(shí)現(xiàn)配電網(wǎng)邊緣計(jì)算負(fù)載和主站控制策略的服務(wù)協(xié)同,解決了傳統(tǒng)集中式或單一分布式云端在數(shù)據(jù)存儲(chǔ)和策略執(zhí)行中存在的問(wèn)題。